一种基于深度神经网络的室内火灾演变预测方法

技术领域

本公开涉及灾害预测领域，具体而言，涉及一种基于深度神经网络的室内火灾演变预测方法、装置、电子设备以及计算机可读存储介质。

背景技术

火灾是人们日常生活中一种频繁发生且危害巨大的灾害，随着城市高层建筑越来越密集，建筑火灾发生愈发频繁，但火灾的精准处置技术仍旧相对滞后，如灾害点定位模糊而影响精准处置的效果，火场区域缺乏对有毒烟气浓度的快速感知从而威胁人员生命安全等，为了更加科学有效的进行疏散，降低人员和财产损失，我们需要去预测火灾的模拟演变，辅助火灾现场应急救援指挥决策。

一般而言，我们根据所模拟的火灾现象不同，目前采用的数学模型主要有场模型、区域模型和网络模型以及由上述三种模型混合模型。场模型将着火室划分为许多网格，通过求解连续性方程等来得到火灾过程中的各状态参数。场模型对计算机的性能要求高，运算时间长。区域模型一般将每个房间分为两个区域，并假定各区域内部各物理量均匀一致，然后由质量、能量守恒原理及理想气体定律导出一组常微分控制方程。网络模型是将建筑物的每一个受限空间视为一个单元体，应用质量平衡方程等来建模温度、烟气浓度变化。

在现有技术中，一种基于深度学习及火灾监控视频的火灾趋势预测方法，将火灾图像转化为灰度值矩阵，采用分布式LSTM集成预测模型对灰度值矩阵进行预测下一帧图像的对应列的灰度值，然而，该方法将火灾图像转化为灰度值矩阵进行计算，获得的信息不全面，准确率较低；火灾演变仿真方法及包括其的火灾疏散综合仿真方法，以介观方法的格子玻尔兹曼方法为基础，针对地铁站内火灾特点融合相关理论方法，建立了二维火灾仿真模型，该方法需要求解Navier-Stokes方程，时效性差，在要求争分夺秒的应急救援中难以迅速发挥作用，且基于N-S方程建模时间花费较大，需要专业的计算流体力学知识，对火灾应急求援人员的专业知识及实践能力要求较高，繁琐的操作步骤和学习成本使得FDS在紧张的火灾救援工作应用不太理想；多数据融合的森林火灾智能识别系统和方法，该方法将多种数据进行融合来进行森林火灾预测，但是，该方法需要多数据进行融合，例如括红外热像仪、数字摄像机、超声波气象站、地理信息系统和上位机等等，耗费资源巨大，而我们只需要使用FDS建筑物预案库即可。

因此，需要一种或多种方法解决上述问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于深度神经网络的室内火灾演变预测方法、装置、电子设备以及计算机可读存储介质，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的一个方面，提供一种基于深度神经网络的室内火灾演变预测方法，包括：

基于预设火灾场景，构建基于火灾动力学模拟工具FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，基于所述火灾演变仿真建立预设火灾场景的模拟数据及拟合数据；

以所述模拟数据为输入，基于预设第一深度神经网络模型，生成第一温度场图，并以所述第一温度场图为输入，基于预设第二深度神经网络模型，生成第二温度场图；

在预设终端配置预设火灾场景的所述第二温度场图对应的预设第一深度神经网络模型、预设第二深度神经网络模型，在火灾发生时，接收现场信息，并根据所述现场信息基于所述预设第一深度神经网络模型、预设第二深度神经网络模型生成预测温度场图，完成对火灾演变的预测。

在本公开的一种示例性实施例中，所述方法还包括：

所述预设火灾场景为工厂、商业综合体、高层建筑、办公楼/教学楼、公寓/居民楼的火灾场景；

基于所述预设火灾场景采集物理模型数据，所述物理模型数据包括房间尺寸、门尺寸、窗口尺寸、燃烧物位置、燃烧物燃料；

基于蒙特卡洛方法对火灾演变模型关键参数进行分析，生成火灾演变模型关键参数，所述火灾演变模型关键参数包括单位面积的热释放率值、温度、增长系数、模拟时间。

在本公开的一种示例性实施例中，所述方法还包括：

基于对预设火灾场景的火灾演变仿真，生成与所述预设火灾场景对应的拟合数据，并将所述拟合数据按照预设比例划分为训练集及验证集。

在本公开的一种示例性实施例中，所述方法中的预设第一深度神经网络模型还包括：

以ReLu激活函数，采用平方误差函数作为损失函数，以所述预设火灾场景的室内几何形状(长宽高)、火源热释放速率、通风口位置和时间为输入向量，连接三层全连接神经网络、dropout层进行反卷积和卷积操作，生成第一温度场图输出。

在本公开的一种示例性实施例中，所述方法中的预设第二深度神经网络模型还包括编码器、隐藏层和解码器，其中：

所述预设第二深度神经网络模型以ReLu激活函数，采用平方误差函数作为损失函数；

所述编码器由卷积神经网络组合构成，所述卷积神经网络的卷积层的卷积核为3*3、填充1、步长2，所述编码器用于将第一温度场图的纬度压缩至第一预设尺寸；

所述隐藏层为四层全连接神经网络，所述隐藏层用于将所述第一预设尺寸的第一温度场图实现二维数据到一维数据的压缩；

所述解码器由卷积神经网络组合构成，所述卷积神经网络的卷积层的卷积核为3*3、填充1、步长1，所述解码器用于将所述一维数据的第一温度场图中插入像素点以能完成图片精度重建，生成第二温度场图。

在本公开的一种示例性实施例中，所述方法还包括：

以预设火灾场景的火灾演变仿真生成的拟合数据按照预设比例划分为训练集，验证集和测试集；

基于Adam优化器，采用随机梯度下降法，分别对所述预设第一深度神经网络模型、预设第二深度神经网络模型进行训练；

当所述测试集的损失连续预设轮次不再下降时，完成对所述预设第一深度神经网络模型、预设第二深度神经网络模型的训练。

在本公开的一种示例性实施例中，所述方法还包括：

在火灾发生时，所述现场信息为基于投掷类传感器采集的温度数据。

在本公开的一个方面，提供一种基于深度神经网络的室内火灾演变预测装置，包括：

数据拟合模块，用于基于预设火灾场景，构建基于火灾动力学模拟工具FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，基于所述火灾演变仿真建立预设火灾场景的模拟数据及拟合数据；

模型训练模块，用于以所述模拟数据为输入，基于预设第一深度神经网络模型，生成第一温度场图，并以所述第一温度场图为输入，基于预设第二深度神经网络模型，生成第二温度场图；

火灾演变预测模块，用于在预设终端配置预设火灾场景的所述第二温度场图对应的预设第一深度神经网络模型、预设第二深度神经网络模型，在火灾发生时，接收现场信息，并根据所述现场信息基于所述预设第一深度神经网络模型、预设第二深度神经网络模型生成预测温度场图，完成对火灾演变的预测。

在本公开的一个方面，提供一种电子设备，包括：

处理器；以及

存储器，所述存储器上存储有计算机可读指令，所述计算机可读指令被所述处理器执行时实现根据上述任意一项所述的方法。

在本公开的一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据上述任意一项所述的方法。

本公开的示例性实施例中的一种基于深度神经网络的室内火灾演变预测方法，其中，该方法包括：构建基于FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，建立预设火灾场景的模拟数据及拟合数据；以所述模拟数据为输入，基于预设第一深度神经网络模型、预设第二深度神经网络模型，生成温度场图；在火灾发生时，接收现场信息，并根据所述现场信息基于所述预设深度神经网络模型生成预测温度场图，完成对火灾演变的预测。本公开通过设计两阶段深度神经网络对输入向量进行高精度重建，对场模型的仿真数据进行拟合，从而提高了火灾演变预测的实时性和准确性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

通过参照附图来详细描述其示例实施例，本公开的上述和其它特征及优点将变得更加明显。

图1示出了根据本公开一示例性实施例的一种基于深度神经网络的室内火灾演变预测方法的流程图；

图2示出了根据本公开一示例性实施例的一种基于深度神经网络的室内火灾演变预测方法的预设第一深度神经网络模型示意图；

图3示出了根据本公开一示例性实施例的一种基于深度神经网络的室内火灾演变预测方法的预设第二深度神经网络模型示意图；

图4示出了根据本公开一示例性实施例的一种基于深度神经网络的室内火灾演变预测装置的示意框图；

图5示意性示出了根据本公开一示例性实施例的电子设备的框图；以及

图6示意性示出了根据本公开一示例性实施例的计算机可读存储介质的示意图。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的实施例；相反，提供这些实施例使得本公开将全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。

此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料、装置、步骤等。在其它情况下，不详细示出或描述公知结构、方法、装置、实现、材料或者操作以避免模糊本公开的各方面。

附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个软件硬化的模块中实现这些功能实体或功能实体的一部分，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

在本示例实施例中，首先提供了一种基于深度神经网络的室内火灾演变预测方法；参考图1中所示，该一种基于深度神经网络的室内火灾演变预测方法可以包括以下步骤：

步骤S110，基于预设火灾场景，构建基于火灾动力学模拟工具FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，基于所述火灾演变仿真建立预设火灾场景的模拟数据及拟合数据；

步骤S120，以所述模拟数据为输入，基于预设第一深度神经网络模型，生成第一温度场图，并以所述第一温度场图为输入，基于预设第二深度神经网络模型，生成第二温度场图；

步骤S130，在预设终端配置预设火灾场景的所述第二温度场图对应的预设第一深度神经网络模型、预设第二深度神经网络模型，在火灾发生时，接收现场信息，并根据所述现场信息基于所述预设第一深度神经网络模型、预设第二深度神经网络模型生成预测温度场图，完成对火灾演变的预测。

本公开的示例性实施例中的一种基于深度神经网络的室内火灾演变预测方法，其中，该方法包括：构建基于FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，建立预设火灾场景的模拟数据及拟合数据；以所述模拟数据为输入，基于预设第一深度神经网络模型、预设第二深度神经网络模型，生成温度场图；在火灾发生时，接收现场信息，并根据所述现场信息基于所述预设深度神经网络模型生成预测温度场图，完成对火灾演变的预测。本公开通过设计两阶段深度神经网络对输入向量进行高精度重建，对场模型的仿真数据进行拟合，从而提高了火灾演变预测的实时性和准确性。

下面，将对本示例实施例中的一种基于深度神经网络的室内火灾演变预测方法进行进一步的说明。

在步骤S110中，可以基于预设火灾场景，构建基于火灾动力学模拟工具FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，基于所述火灾演变仿真建立预设火灾场景的模拟数据及拟合数据。

在本示例的实施例中，所述方法还包括：

所述预设火灾场景为工厂、商业综合体、高层建筑、办公楼/教学楼、公寓/居民楼的火灾场景；

基于所述预设火灾场景采集物理模型数据，所述物理模型数据包括房间尺寸、门尺寸、窗口尺寸、燃烧物位置、燃烧物燃料；

基于蒙特卡洛方法对火灾演变模型关键参数进行分析，生成火灾演变模型关键参数，所述火灾演变模型关键参数包括单位面积的热释放率值、温度、增长系数、模拟时间。

在本示例的实施例中，所述方法还包括：

基于对预设火灾场景的火灾演变仿真，生成与所述预设火灾场景对应的拟合数据，并将所述拟合数据按照预设比例划分为训练集及验证集。

在本示例的实施例中，第一步进行FDS预设场景构建：针对建筑物室内火灾场景的烟气模拟，不同的建筑物类型发生火灾时候烟气扩散具有一定的差异性。因此，我们针对工厂、商业综合体、高层建筑、办公楼/教学楼、公寓/居民楼等五个具体的室内火灾场景进行物理建模，再根据物理模型来设置FDS的输入数据，从而可以有针对性的模拟出这五个具体的室内火灾场景。然后我们采用蒙特卡洛方法对火灾演变模型关键参数进行分析，主要有可燃物分布、风速、温度、增长速率参数，这些参数会对模型的模拟效果产生不同程度的影响。为了简化操作，这里假定这些参数是成正态分布变化的。将上述五个火灾场景的物理模型数据(即房间尺寸、门尺寸、窗口尺寸、燃烧物位置、燃烧物燃料)和FDS参数(单位面积的热释放率值、温度、增长系数、模拟时间)设定输入到FDS软件中，然后输出不同时间的单个位置的某种烟气浓度和选定平面的每个点随时间变化的温度场图T作为真实值后续进行比较。

在本示例的实施例中，第二步模型输入数据构建：深度学习模型依赖FDS的模拟数据，因此FDS对不同火灾场景的拟合结果决定了深度学习模型上限。以单室火灾预测为例，选取50组不同通风口位置，不同火源位置，不同火灾时间段的FDS预测数据作为训练数据，其中FDS每组的预测时长为360s,网格为0.03mx0.03mx0.03m进行划分。将获得的FDS拟合数据进行数据增强。

在步骤S120中，可以以所述模拟数据为输入，基于预设第一深度神经网络模型，生成第一温度场图，并以所述第一温度场图为输入，基于预设第二深度神经网络模型，生成第二温度场图。

在本示例的实施例中，所述方法中的预设第一深度神经网络模型还包括：

以ReLu激活函数，采用平方误差函数作为损失函数，以所述预设火灾场景的室内几何形状(长宽高)、火源热释放速率、通风口位置和时间为输入向量，连接三层全连接神经网络、dropout层进行反卷积和卷积操作，生成第一温度场图输出。

在本示例的实施例中，如图2所示，通过所述预设第一深度神经网络模型，旨在使用少量输入参数来预测更详细的输出。模型总共有11层，首先将向量输入到三层全连接神经网络中得到高维特征向量表示，并且在第一层全连接层之后放置一个dropout层防止训练期间过拟合，接着通过连续的3个反卷积层和卷积层来重构温度场图输出。反卷积层的目的是为了增大感受野,使得后面的卷积核能够学到更加全局的信息，卷积层的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网络能从低级特征中迭代提取更复杂的特征。数据的x轴和y轴分辨率通过卷积操作成倍增加，最后得到温度场图。模型每一层使用的都是ReLu激活函数，模型使用随机梯度下降法进行训练，采用均方误差函数作为损失函数。

在本示例的实施例中，步骤S121:输入向量表示为v∈R

在本示例的实施例中，步骤S122:将32*32*1的高维特征向量输入到连续的3个反卷积层和卷积层中，卷积核个数分别为48、12、3，每层反卷积层都使用卷积核大小为5*5，步长为2，半填充的卷积核，并且每个反卷积层之后都对应添加一个具有5*5卷积核大小，步长为1，半填充的卷积层，用来提高生成图像的质量，最终得到256*256*3的特征向量；

在本示例的实施例中，步骤S123:输出256*256*3的温度场图T

其中k为输入向量数量。

在本示例的实施例中，所述方法中的预设第二深度神经网络模型还包括编码器、隐藏层和解码器，其中：

所述预设第二深度神经网络模型以ReLu激活函数，采用平方误差函数作为损失函数；

所述编码器由卷积神经网络组合构成，所述卷积神经网络的卷积层的卷积核为3*3、填充1、步长2，所述编码器用于将第一温度场图的纬度压缩至第一预设尺寸；

所述隐藏层为四层全连接神经网络，所述隐藏层用于将所述第一预设尺寸的第一温度场图实现二维数据到一维数据的压缩；

所述解码器由卷积神经网络组合构成，所述卷积神经网络的卷积层的卷积核为3*3、填充1、步长1，所述解码器用于将所述一维数据的第一温度场图中插入像素点以能完成图片精度重建，生成第二温度场图。

在本示例的实施例中，如图3所示，由于此时的输出是经过逆变换的粗略输出，温度场图的细节信息大量丢失，无法满足256*256的时空分辨率要求，因此通过所述预设第二深度神经网络模型进行信息恢复，通过编码和解码网络逼近FDS的真实输出。模型脱胎于自编码器，由编码器、隐藏层和解码器三部分组成。目的是为了数据降维，因为我们第一阶段得到的温度场图维度过高，所以我们希望通过编码器E将其编码成低维特征向量z＝E(x)，编码的原则是尽可能保留原始信息，因此我们再训练一个解码器D，希望能通过z重构原始信息，即x≈D(E(x))。其优化目标如下：

其中编码器E和解码器D均由不同的卷积神经网络组合构成，隐藏层是一个四层的全连接神经网络。我们将编码器E的每一层卷积神经网络称为下采样层，包括一个卷积核为3*3、填充1、步长2、激活函数为LeakyReLu的卷积层，其作用是压缩图片纬度到指定尺寸。在解码器D中，进行卷积上采样操作放大图像尺寸，在原始图像像素点之间插入新的像素点，从而实现增加图像像素扩大图片尺寸。上采样层采用双线性插值法进行上采样，双线性插值法利用原图像中待插值点附近四个切实已有的像素值来共同决定待插值点的像素值。该方法能够起到抗锯齿的效果，并且包括一个卷积核为3*3、填充1、步长1、激活函数为LeakyReLu的卷积层学习更多的信息。

在本示例的实施例中，步骤S124:输入为第一阶段得到的三通道的温度场图Tl∈R

在本示例的实施例中，步骤S125：随后将二维图片输入到4层全连接神经网络中，将其变换为1*1024的一维向量。

在本示例的实施例中，步骤S126：最后通过解码器反向操作，完成一维数据到二维数据的高精度重建。1*1024的一维向量先变形为32*32的二维单通道图片，随后1*1卷积核将变形得到的单通道图片卷积为256张同样尺寸的二维图片(32*32)，这是为了保证解码器恢复图片最后仍为三通道彩色图片。最后32*32*256的数据经过3次上采样恢复为256*256*3的三通道温度场图T

在本示例的实施例中，步骤S127：输出高精度温度场图T

在本示例的实施例中，所述方法还包括：

以预设火灾场景的火灾演变仿真生成的拟合数据按照预设比例划分为训练集，验证集和测试集；

基于Adam优化器，采用随机梯度下降法，分别对所述预设第一深度神经网络模型、预设第二深度神经网络模型进行训练；

当所述测试集的损失连续预设轮次不再下降时，完成对所述预设第一深度神经网络模型、预设第二深度神经网络模型的训练。

在步骤S130中，可以在预设终端配置预设火灾场景的所述第二温度场图对应的预设第一深度神经网络模型、预设第二深度神经网络模型，在火灾发生时，接收现场信息，并根据所述现场信息基于所述预设第一深度神经网络模型、预设第二深度神经网络模型生成预测温度场图，完成对火灾演变的预测。

在本示例的实施例中，所述方法还包括：

在火灾发生时，所述现场信息为基于投掷类传感器采集的温度数据。

在本示例的实施例中，步骤S131模型训练：将数据集按照7：2：1的比例分为训练集，验证集和测试集。在服务器上训练，使用Adam优化器，采用随机梯度下降的方法，对模型进行训练，直到测试集损失连续5轮均不再下降时，停止训练，取验证集上损失最小的模型作为最终模型保存至文件系统，部署到相应的物联网中心平台。

在本示例的实施例中，步骤S132模型使用：火灾实时发生时，通过投掷的各类设备(主要是传感器)采集的现场相关数据进行预处理后输入模型在后台进行推理演练，预测得到温度场图后将结果以网页的形式呈现，辅助消防人员进行决策。

在本示例的实施例中，本发明只需输入最初的火源特征，通过深度学习模型即可迅速直接输出温度场图，消防人员无需了解复杂的计算流体力学知识进行繁琐的计算，减轻消防人员的负担，实时性强，在收到灾情能够迅速给出更加合理的救援方案；本发明直接输出温度场图，相当于用深度学习隐含的学习了温度、烟气浓度的走向预测，获得感兴趣的流场信息，提供了一种通用性较强的室内火灾演变预测方法；本发明通过设计两阶段深度神经网络对输入向量进行高精度重建，对场模型的仿真数据进行拟合，从而提高了预测的实时性和准确性。

需要说明的是，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

此外，在本示例实施例中，还提供了一种基于深度神经网络的室内火灾演变预测装置。参照图4所示，该一种基于深度神经网络的室内火灾演变预测装置400可以包括：数据拟合模块410、模型训练模块420以及火灾演变预测模块430。其中：

数据拟合模块410，用于基于预设火灾场景，构建基于火灾动力学模拟工具FDS的火灾演变仿真，并完成对物理模型数据、火灾演变模型关键参数的设置，基于所述火灾演变仿真建立预设火灾场景的模拟数据及拟合数据；

模型训练模块420，用于以所述模拟数据为输入，基于预设第一深度神经网络模型，生成第一温度场图，并以所述第一温度场图为输入，基于预设第二深度神经网络模型，生成第二温度场图；

火灾演变预测模块430，用于在预设终端配置预设火灾场景的所述第二温度场图对应的预设第一深度神经网络模型、预设第二深度神经网络模型，在火灾发生时，接收现场信息，并根据所述现场信息基于所述预设第一深度神经网络模型、预设第二深度神经网络模型生成预测温度场图，完成对火灾演变的预测。

上述中各一种基于深度神经网络的室内火灾演变预测装置模块的具体细节已经在对应的一种基于深度神经网络的室内火灾演变预测方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了一种基于深度神经网络的室内火灾演变预测装置400的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施例、完全的软件实施例(包括固件、微代码等)，或硬件和软件方面结合的实施例，这里可以统称为“电路”、“模块”或“系统”。

下面参照图5来描述根据本发明的这种实施例的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：上述至少一个处理单元510、上述至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。例如，所述处理单元510可以执行如图1中所示的步骤S110至步骤S130。

存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(ROM)5203。

存储单元520还可以包括具有一组(至少一个)程序模块5203的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线550可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备500也可以与一个或多个外部设备570(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备500交互的设备通信，和/或与使得该电子设备500能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器560通过总线550与电子设备500的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施例的方法。

在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本发明各种示例性实施例的步骤。

参考图6所示，描述了根据本发明的实施例的用于实现上述方法的程序产品600，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限。